一种基于人工智能算法和知识图谱的降水预测方法和系统与流程

技术特征：
1.一种基于人工智能算法和知识图谱的降水预测方法，其特征在于，所述方法包括以下步骤：构建多模态数据集装箱，将不同类型的气象数据按照自身结构特点，输入到多模态数据集装箱得到多模态数据，对多模态数据进行时空对齐、数据清洗和预处理以及数据序列分割；构建关于降水预测的知识图谱；创建基于人工智能算法的多模态降水预测模型，具体为：构建多模态雷达回波预测模型，将各类历史气象数据进行时空融合，利用深度神经网络模型来预测未来的雷达序列图；构建雷达降水智能转化模型，结合地理位置数据，利用对抗生成网络，对雷达数据和降水量进行相互转化，即可将预测的雷达序列图转换为降水量数据；基于构建的降水预测知识图谱，利用神经网络算法进行知识推理，对预测的降水量数据进行智能修正；对修正的降水量数据进行分类可视化。2.根据权利要求1所述一种基于人工智能算法和知识图谱的降水预测方法，其特征在于，所述对多模态数据进行时空对齐的步骤，具体包括：将时间误差小于2分钟的历史雷达回波序列数据与卫星云图数据进行合并和对齐；对气象站数据进行双线性插值，将双线性插值处理后得到的数据与雷达数据和卫星数据进行融合，依照经纬度，对雷达数据、卫星数据、气象站数据以及海拔数据进行空间匹配和对齐；将雷达序列数据和地理位置大数据与降水量数据进行时空对齐，所述地理位置大数据包括经纬度数据和海拔数据。3.根据权利要求1所述一种基于人工智能算法和知识图谱的降水预测方法，其特征在于，所述构建关于降水预测的知识图谱的步骤，具体包括：获取与降水相关的数据，包括从公开网站和研究中获得的非结构化降水数据以及半结构化降水数据，和从雷达与卫星中获取的结构化降水数据；针对非结构化降水数据和半结构化降水数据，利用基于注意力机制的卷积神经网络进行降水预测的实体、关系和属性抽取得到抽取降水信息，所述实体包括经纬度、海拔、时间、温度、风向、湿度和降水量等；将结构化降水数据和抽取降水信息进行融合，融合过程包括降水实体消歧和对齐；对抽取降水信息进行进一步加工，利用机器学习相关性分析算法，分析经纬度、海拔、时间、温度、风向和湿度与降水量之间的关系，即给定气象因素具体的取值，得到该区域的最大降水量和最小降水量；根据抽取降水信息，构建降水预测知识图谱，将降水预测知识图谱存储到图数据库。4.根据权利要求1所述一种基于人工智能算法和知识图谱的降水预测方法，其特征在于，所述构建多模态雷达回波预测模型的步骤，具体包括：创建由data integration模块、cnn lstm模块、ds lstm模块、us lstm模块、cnn lstm模块和data generation模块构成的多模态雷达回波预测模型，为更好的预测中心区域的降水，所述多模态雷达回波预测模型利用了512km*512km区域的气象数据以及预测中心区256km*256km的雷达图像；多模态雷达回波预测模型用于对历史多模态气象大数据进行融合，历史多模态气象大数据包括雷达数据、卫星云图、经纬度数据、海拔数据、温度、风向和湿度，利用多个神经网络模块进行训练学习，用以对未来高分辨率雷达回波图进行准确的
预测；多模态雷达回波预测模型使用的损失函数为：其中，表示模型预测的雷达图数据，y
k
表示真实的雷达图数据，ω
k
和μ
k
表示对不同强度的雷达图的加权值；利用评估函数对多模态雷达回波预测模型进行评估，评估函数为：value评估结果值在-1和1之间，value评估结果值值越大效果越好，其中，m为预测的雷达图序列长度，value
i
为单张雷达图的评分，即：其中，l为预测的类别，n为总的样本数，ω
j
为第j个类别的权重，p(r
i
，t
j
)表示预测类别为i的像素点中真实类别为j的像素点总数，p(r
i
)表示预测为类别i的像素点总数，p(t
j
)表示真实类别为j的像素点总数。5.根据权利要求4所述一种基于人工智能算法和知识图谱的降水预测方法，其特征在于，所述构建雷达降水智能转化模型的步骤，具体包括：构建包含r2p生成器、p2r生成器、p判别器和r判别器四个模块的转换模型，结合经纬度和海拔地理位置数据，利用历史的雷达数据与降水量数据，在gpu集群上对转换模型进行训练优化，得到雷达降水智能转化模型；雷达降水智能转化模型使用的损失函数为：loss＝＝loss1 loss2 loss3其中：其中：其中：6.一种基于人工智能算法和知识图谱的降水预测系统，其特征在于，所述系统包括：多模型数据集装箱，用于将不同类型的气象数据按照自身结构特点，输入到多模态数据集装箱得到多模态数据，对多模态数据进行时空对齐、数据清洗和预处理以及数据序列分割；降水预测知识图谱构建模块，用于构建关于降水预测的知识图谱；基于人工智能算法的多模态降水预测和修正模块，用于创建基于人工智能算法的多模态降水预测模型，具体包括：雷达回波预测模型构建单元，用于构建多模态雷达回波预测模型，将各类历史气象数据进行时空融合，利用深度神经网络模型来预测未来的雷达序列图；
智能转化模型构建单元，用于构建雷达降水智能转化模型，结合地理位置数据，利用对抗生成网络，对雷达数据和降水量进行相互转化，即可将预测的雷达序列图转换为降水量数据；智能修正单元，基于构建的降水预测知识图谱，利用神经网络算法进行知识推理，对预测的降水量数据进行智能修正；以及区域降水可视化模块，用于对修正的降水量数据进行分类可视化。

技术总结
本发明公开了一种基于人工智能算法和知识图谱的降水预测方法和系统，属于天气预报技术领域，包括以下步骤：构建多模态数据集装箱，将不同类型的气象数据按照自身结构特点，输入到多模态数据集装箱得到多模态数据，对多模态数据进行时空对齐、数据清洗和预处理以及数据序列分割；构建关于降水预测的知识图谱；创建基于人工智能算法的多模态降水预测模型，对预测的降水量数据进行智能修正。本发明不仅充分利用了不同种类的多模态气象数据，通过多模态降水预测方法，提高了降水预测的精度，还构建了一个降水预测知识图谱，可对模型预测的结果进行智能修正，以减少人工智能算法的不确定性，提升模型预测的准确度和可靠性。提升模型预测的准确度和可靠性。提升模型预测的准确度和可靠性。


技术研发人员：于静 马亮 周鹏飞 张新壮 王晓林
受保护的技术使用者：北京慧辰资道资讯股份有限公司
技术研发日：2021.12.28
技术公布日：2022/4/22